「让人类与 AI 拥有完整的声音自由。」
这是 Noiz 写在使命里的一句话。听起来宏大，背后却有一条很具体的演进线：从一个人复现语音克隆论文，到开源 MockingBird 被全球开发者使用，再到今天服务百万级创作者、开发者，并把音频理解、生成、编辑收进同一框架。
如果 AGI 是多层能力堆叠，Noiz 想占据的是其中一层：声音层。负责听见、理解、回应，连接内容创作、具身智能和 Agent 交互。
Contents
从一本书和 MockingBird 说起
创始人陈伟嘉成立Noiz的路径很个人化。玉符科技被收购后，他重新找方向；一本落灰的深度学习书把他带回语音。没有显卡、Python 也生疏，他还是从零复现了语音克隆，并做出中文版 MockingBird，在 GitHub 上获得大量关注。
Mockingbird 仓库如今指向 noiz.ai：开源社区是起点，产品是长期阵地。那段经历留下两件事：一是工程落地和论文之间的距离，二是有情绪、有表达力的声音值得单独做一家公司。
2024 年，团队锚定「深耕 AI 声音层」，Noiz AI 正式成型。域名 NOIZ 来自「噪声」，本是模型里的术语，后来成了团队符号。
产品的三次转向：生成、表达、创作
Noiz 的产品路线，经历三次成长，每一次都在探索怎样更好地满足用户的需求。
最早问的是：AI 能不能像人一样说话？
克隆能发声之后，发现还不够：得能演，情绪、节奏、风格可控。
再往后：创作者要的是整轨生产，配音、配乐、音效、剪辑在同一工作室里完成。
三次转向可以概括为：
生成 → 把字读出来
可控与表达 → 像角色、像品牌、像那场戏
创作 → 完整 AI 音频工作台
清华 x-lab「校长杯」团队故事里提到：团队不再堆功能数量，而是专注一件事，表达是否成立。半年内全球注册用户破百万，ARR 接近 400 万美元，说明这条取舍有市场反馈。
「声音层」在技术地图上是什么
Noiz 公开谈及三条主线：
实时推理
互动剧、游戏、直播、Agent 对话，都需要低延迟音频。AudioX-Turbo 等 work 把多步扩散压到极少步数，4090 上生成 10 秒音频可到 0.2 秒量级，为「实时重建声音」打基础。
跨语音、音乐、音效的统一建模
声音在物理上是同一类现象。统一建模才能让人声、环境、配乐在同一项目里协调，也为「全维度听感」服务。
持久声学记忆
Agent 和具身系统需要记住「这个空间听起来什么样」「这个用户偏好什么音色」。声音层若只有无状态 TTS，撑不起长期交互；声学记忆是下一阶段的拼图。
从 Audio-Omni（理解、生成、编辑大一统）到 AudioX 系列（音视频联合生成），Noiz始终没有停下研究探索。只有研究向前推，产品才能把能力收进创作者点得动的界面。
听见、理解、回应
「声音层」可以拆成闭环：
听见：识别内容、场景、情绪、声源
理解：结合世界知识，知道这段音频在叙事里干什么
回应：生成或编辑出下一段合适的声音
这和只做「文本进、音频出」的管道不同。管道解决产能；闭环解决交互与创作。陈前在访谈里判断：语音会是未来几年最先爆发的交互界面之一，硬件可常开、低功耗，复杂声场里的人声分离与情绪识别仍是蓝海。
Noiz 在 OpenClaw 等平台的 TTS Skill 装机量领先，侧面说明开发者已在把「会说话的 Agent」当标配；下一步是Agent 专属音频能力，从服务人扩展到服务机器与软件实体。
创作者今天能感知到什么
愿景落在产品上，是具体功能：
文本转语音：中文短剧、漫剧、短视频配音，情绪控制、pause marker、音色预设保存
音色设计：库里没有的声音，描述出来
克隆：3～10 秒样本锁定角色
音效与配乐：补齐环境与动作
API / Skills：嵌入工作流与 Agent
对个体创作者，声音层意味着不用进录音棚也能出专业音轨；对团队，意味着声线资产可复用、可本地化、可编程调用。
和「只做语音的创业公司」的差异
Voice AI 已是独立大赛道，头部公司估值达百亿美元量级。Noiz 的定位不是重复讲「更像真人」，而是在短内容情绪、全维度声音、模型与产品一体上加深：
模型层：十几款音频模型，小版本可三天一更
产品层：Studio 一站式，减少在剪辑软件和外站音效库之间来回跳
生态层：开源论文、GitHub 项目、开发者 API
陈前提过「模应一体」：模型迭代牵引产品，真实反馈再拉回模型。音频有艺术属性，品牌和听觉审美会形成长期差异，即便底层能力趋同，工作流与场景理解仍可拉开距离。
从复现一篇论文，到百万用户每天导出音轨，Noiz 做的始终是一件事：让声音在 AI 世界里占有应有的层级。表达要有温度，场景要有质感，交互要听得懂、答得出。
「完整的声音自由」不是一句口号，是生成、表达、创作一路叠上去的结果。声音层补上了，画面、文字、动作才凑得齐同一片世界。
下一步：打开 Noiz AI 文本转语音，保存一套角色音色预设，当作你项目的第一份声线资产。